相关实验视频
Updated: May 31, 2025
08:05
Design and Analysis for Fall Detection System Simplification
Published on: April 6, 2020
10.6K
使用惯性测量单位和机器学习来分类在医院床上的成年人的身体位置
Eliza Becker1,2, Siavash Khaksar3, Harry Booker3
1Curtin School of Allied Health, Curtin University, Perth 6102, Australia.
Sensors (Basel, Switzerland)
|January 25, 2025
概括
惯性测量单元 (IMU) 和机器学习可以准确地跟踪患者的床位位置,以早期检测临床恶化. 这项技术提供了一种非侵入性方法,用于在医院中持续监测患者.
科学领域:
- 生物医学工程 生物医学工程
- 临床监测 临床监测
- 医疗保健中的机器学习
背景情况:
- 及时的临床干预对于防止患者在医院的病情恶化至关重要.
- 患者衰退的早期识别对于有效治疗至关重要.
- 患者的位置和运动模式可能表明需要进一步的医疗评估.
研究的目的:
- 研究惯性测量单元 (IMU) 与机器学习相结合的有效性,用于在医院床上持续监测患者的位置.
- 开发一种用于捕捉,分类和可视化患者位置的系统,以帮助早期检测临床恶化.
主要方法:
- 利用5个IMU Xsens DOT传感器在模拟医院环境中放置在参与者的额头,手腕和脚上.
- 训练支持矢量机 (SVM) 和K-近邻分类器使用来自各种传感器组合的数据来分类九个不同的身体位置.
- 分析了30名参与者的数据,以评估分类准确性.
主要成果:
- 使用带有额头和手腕传感器的SVM实现了87.7%的最高精度.
- 结合来自脚传感器的数据导致分类准确度下降.
- 使用Unity开发了一个保护隐私的3D可视化系统.
结论:
- IMU和机器学习为医院环境中持续监测患者提供了有希望的方法.
- 额头和手腕传感器的放置证明了对分类患者位置的最佳准确性.
- 开发的可视化系统可以帮助临床医生识别潜在临床恶化迹象的位置变化.
